-
公开(公告)号：CN116150929B
公开(公告)日：2023-07-07
申请号：CN202310401779.7
申请日：2023-04-17
Applicant: 中南大学
Abstract: 本发明提供了一种铁路选线知识图谱的构建方法，包括以下步骤：专家梳理总结规范知识原则及人工选线经验，归纳整理控制因素及其处置措施，创建控制因素清单，并针对不同铁路选线条件下的控制因素进行梳理，并匹配相应的处置措施，对处置措施进行量化处理得到量化值；构建控制因素处置领域知识本体；构建知识图谱；以“实体的属性信息→头实体→尾实体”的链式检索法则检索得到对应的控制因素、处置措施以及量化值用于指导铁路选线。通过本发明构建的知识图谱能够针对不同选线情况，检索出相应的处置措施，缩小决策范围，在提高决策效率的同时，为人工选线经验提供数字化、标准化的表达与存储。
-
公开(公告)号：CN116757347B
公开(公告)日：2024-02-13
申请号：CN202310722951.9
申请日：2023-06-19
Applicant: 中南大学
IPC: G06Q10/047 , G06N3/0464 , G06N3/048 , G06N3/08 , G06V10/44 , G06V10/764 , G06V10/82 , G06F30/27
Abstract: 本发明公开了一种基于深度学习的铁路线路选线方法及系统，该方法包括：采集既有线路数据，从线路平面、线路纵面方向进行离散处理，将线路离散为三维空间的线段集合，再对每条线路的线段集合进行标注作为输出端数据；对各线路所在研究区域的各类地理环境信息进行环境标注，生成研究区域的多通道图像作为输入端数据；利用输入端数据集以及输出端数据集训练深度学习网络模型。本发明技术方案将既有铁路线路拆解成可为机器学习的向量数据，并将多维环境状态融合后作为输入端，定线动作标注参数作为输出端，探索出多维环境状态到最优定线动作之间的映射规律，克服了传统方法无经验借鉴，盲目搜索导致训练模型耗时久的不足，有效节省了模型训练时间。
-
公开(公告)号：CN116150929A
公开(公告)日：2023-05-23
申请号：CN202310401779.7
申请日：2023-04-17
Applicant: 中南大学
Abstract: 本发明提供了一种铁路选线知识图谱的构建方法，包括以下步骤：专家梳理总结规范知识原则及人工选线经验，归纳整理控制因素及其处置措施，创建控制因素清单，并针对不同铁路选线条件下的控制因素进行梳理，并匹配相应的处置措施，对处置措施进行量化处理得到量化值；构建控制因素处置领域知识本体；构建知识图谱；以“实体的属性信息→头实体→尾实体”的链式检索法则检索得到对应的控制因素、处置措施以及量化值用于指导铁路选线。通过本发明构建的知识图谱能够针对不同选线情况，检索出相应的处置措施，缩小决策范围，在提高决策效率的同时，为人工选线经验提供数字化、标准化的表达与存储。
-
公开(公告)号：CN116757347A
公开(公告)日：2023-09-15
申请号：CN202310722951.9
申请日：2023-06-19
Applicant: 中南大学
IPC: G06Q10/047 , G06N3/0464 , G06N3/048 , G06N3/08 , G06Q50/30 , G06V10/44 , G06V10/764 , G06V10/82 , G06F30/27
Abstract: 本发明公开了一种基于深度学习的铁路线路选线方法及系统，该方法包括：采集既有线路数据，从线路平面、线路纵面方向进行离散处理，将线路离散为三维空间的线段集合，再对每条线路的线段集合进行标注作为输出端数据；对各线路所在研究区域的各类地理环境信息进行环境标注，生成研究区域的多通道图像作为输入端数据；利用输入端数据集以及输出端数据集训练深度学习网络模型。本发明技术方案将既有铁路线路拆解成可为机器学习的向量数据，并将多维环境状态融合后作为输入端，定线动作标注参数作为输出端，探索出多维环境状态到最优定线动作之间的映射规律，克服了传统方法无经验借鉴，盲目搜索导致训练模型耗时久的不足，有效节省了模型训练时间。
-
-
-
Search Results
4
records
(took 0.015 seconds)
